Экспериментальное исследование модифицированного эволюционного алгоритма

##plugins.themes.bootstrap3.article.sidebar##

pdf
Опубликован: May 31, 2010
DOI: https://doi.org/10.20535/2312-1807.2010.15.1.313014
Ключевые слова:
эволюционный алгоритм, гибридизация эволюционного алгоритма, задача оптимизации, генетические операторы (отбор, кроссовер, мутация), опти- мальная комбинация генетических операторов, фронт Парето, база правил

##plugins.themes.bootstrap3.article.main##

О.Б. Хруставка

Аннотация

Исследуется влияние различных комбинаций генетических операторов на качество решения оптимизационных задач с помощью гибридного эволюционного алгоритма. Приведены результаты исследования, полученного на множестве тестовых задач, включающем в себя многоэкстремальные и многокритериальные задачи оптимизации

##plugins.themes.bootstrap3.article.details##

Как цитировать
Хруставка, О. . (2010). Экспериментальное исследование модифицированного эволюционного алгоритма. Электроника и Связь, 15(1), 70–79. https://doi.org/10.20535/2312-1807.2010.15.1.313014
Выпуск
Том 15 № 1 (2010)
Раздел
информационные системы и технологии
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Авторы, публикующиеся в данном журнале, соглашаются со следующими условиями:

  1. Авторы сохраняют за собой права на авторство своей работы и предоставляют журналу право первой публикации этой работы на условиях лицензии Creative Commons Attribution License, которая позволяет другим лицам свободно распространять опубликованную работу с обязательной ссылокой на авторов оригинальной работы и оригинальную публикацию в этом журнале.
  2. Авторы сохраняют право заключать отдельные договора на неэксклюзивное распространение работы в том виде, в котором она была опубликована этим журналом (например, размещать работу в электронном архиве учреждения или публиковать в составе монографии), с условием сохраниения ссылки на оригинальную публикацию в этом журнале.
  3. Политика журнала разрешает и поощряет размещение авторами в сети Интернет (например в институтском хранилище или на персональном сайте) рукописи работы как до ее подачи в редакцию, так и во время ее редакционной обработки, так как это способствует продуктивной научной дискуссии и положительно сказывается на оперативности и динамике цитирования статьи (см. The Effect of Open Access).

Библиографические ссылки

Y. Kalnibolotsky, O. Khrustava, and A. Karev, “Modifications of genetic operators in evolutionary algorithms”, Electronics and communications, vol. 38, no. 3, pp. 68–81, 2007.

Y. Kalnibolotskiy and O. Khrustava, “Modifications of genetic algorithms”, Electronics and communications, vol. 46, no. 5, pp. 54–61, 2008.

O. Khrustava, “Rule base for selection of combination of genetic operators for hybrid evolutionary algorithm”, in International scientific conference "Intellectual analysis of information IAI-2009", Kyiv, 2009, pp. 401–408.

K. Deb, A. Pratap, S. Agarwal, and T. Meyarivan, “A fast and elitist multiobjective genetic algorithm: NSGA-II”, IEEE Transactions on Evolutionary Computation, vol. 6, no. 2, pp. 182–197, Apr. 2002. DOI:10.1109/4235.996017

Y. Wang and C. Dang, “An Evolutionary Algorithm for Global Optimization Based on Level-Set Evolution and Latin Squares”, IEEE Transactions on Evolutionary Computation, vol. 11, no. 5, pp. 579–595, Oct. 2007. DOI:10.1109/TEVC.2006.886802

J. Brest, S. Greiner, B. Boskovic, M. Mernik, and V. Zumer, “Self-Adapting Control Parameters in Differential Evolution: A Comparative Study on Numerical Benchmark Problems”, IEEE Transactions on Evolutionary Computation, vol. 10, no. 6, pp. 646–657, Dec. 2006. DOI:10.1109/TEVC.2006.872133

F. di Pierro, S.-T. Khu, and D. A. Savi, “An Investigation on Preference Order Ranking Scheme for Multiobjective Evolutionary Optimization”, IEEE Transactions on Evolutionary Computation, vol. 11, no. 1, pp. 17–45, Feb. 2007. DOI:10.1109/TEVC.2006.876362

J. Hadley, Nonlinear and dynamic programming, Moscow: Mir, 1967, p. 506.

D. Himmelblau, Applied nonlinear programming, Moscow: Mir, 1975, p. 536.

D. Rutkovskaya, M. Pilinsky, and L. Rutkovsky, Neural networks, genetic algorithms and fuzzy systems, Moscow: Goryachaya Liniya - Telecom, 2004, p. 452.

S. Kazarlis, S. Papadakis, J. Theocharis, and V. Petridis, “Microgenetic algorithms as generalized hill-climbing operators for GA optimization”, IEEE Transactions on Evolutionary Computation, vol. 5, no. 3, pp. 204–217, Jun. 2001. DOI:10.1109/4235.930311

H. Ishibuchi, T. Yoshida, and T. Murata, “Balance between genetic search and local search in memetic algorithms for multiobjective permutation flowshop scheduling”, IEEE Transactions on Evolutionary Computation, vol. 7, no. 2, pp. 204–223, Apr. 2003. DOI:10.1109/TEVC.2003.810752

S. Tomioka, S. Nisiyama, and T. Enoto, “Nonlinear Least Square Regression by Adaptive Domain Method With Multiple Genetic Algorithms”, IEEE Transactions on Evolutionary Computation, vol. 11, no. 1, pp. 1–16, Feb. 2007. DOI:10.1109/TEVC.2006.876363

S. Khaikin, Neural networks: a complete course, Moscow: Williams Publishing House, 2006, p. 1104.